Escolar Documentos
Profissional Documentos
Cultura Documentos
São Carlos
2014
MURILO MELHADO BALDI
São Carlos
2014
RESUMO
This work presents the use of computational simulation tools to optimize flows, such as
products, materials and information, in a cellular manufacturing environment. Furthermore,
computational tools will be employed in the study of design and validation of cells adopted by
the company, subject of this study.
Due to the increasing complexity of production systems and hence, hindering the analysis
of production processes and information, products and people flows, companies are seeking
computer simulation tools to ease the understanding and behavior of complex dynamic systems,
including the possibility to generate scenarios that will be able to support a decision.
This paper presents a study of cell simulation developed with Plant Simulation®, and
also shows various algorithms used for an efficient cell formation.
LISTA DE FIGURAS E TABELAS
1. INTRODUÇÃO ............................................................................................................................ 7
1.1. OBJETIVOS .......................................................................................................................... 8
1.2. ESTRUTURA DO TRABALHO .......................................................................................... 9
2. REVISÃO BIBLIOGRÁFICA ...................................................................................................... 10
2.1. TIPOS DE LAYOUT DE SISTEMAS DE MANUFATURA .............................................. 10
2.2. FORMAÇÃO DE CÉLULAS DE MANUFATURA .......................................................... 11
2.2.1. MODELOS HEURÍSTICOS ..................................................................................... 12
2.2.2. MODELOS MATEMÁTICOS .................................................................................. 16
2.2.3. OUTROS MODELOS ................................................................................................ 19
3. METODOLOGIA .......................................................................................................................... 21
4. DADOS COLETADOS ................................................................................................................. 22
4.1. MODELO DE SIMULAÇÃO ............................................................................................. 30
5. ADEQUAÇÃO DO MODELO DE SIMULAÇÃO ...................................................................... 33
6. ANÁLISE E DISCUSSÃO DOS RESULTADOS ........................................................................ 34
7. REFERÊNCIAS BIBLIOGRÁFICAS........................................................................................... 36
1. INTRODUÇÃO
Devido a fatores externos que afetam a competitividade e apresentam impacto cada vez
maior em escala global, empresas buscam alternativas de adequação do tempo de resposta no
fluxo de produção com custos operacionais e planos de investimento na manufatura exequíveis
para a conquista de novos mercados. Entre as alternativas uma delas consiste no projeto
consistente e operação eficiente de um sistema de produção.
Atualmente, a manufatura em lotes (batch manufacturing) responde por grande parte das
atividades produtivas, entretanto a mesma possui limitações e apresenta ineficiências quando o
lote produzido contém menos que 50 unidades.
Nesse caso, a elevada variedade de itens aliada ao baixo volume do lote produz efeitos
indesejáveis como elevados custos de setup, assim como de equipamentos e ferramentas
específicos de mais alto custo de aquisição e manutenção, elevados níveis de estoque e maior
suscetibilidade a deficiências logísticas, como consequência desses efeitos há a baixa eficiência
de ferramentas computacionais ou não envolvendo técnicas de planejamento e estimativas de
custos, por exemplo.
O conceito de Tecnologia de Grupo (TG) tem como base a redução dos tempos de setup,
do tamanho dos lotes e distâncias percorridas por itens. A Tecnologia de Grupo tenta conciliar a
alta flexibilidade oferecida por um layout jobshop com a alta produtividade de um layout
flowshop.
O pressuposto básico do conceito de TG reside no fato de que muitos problemas no
contexto da manufatura são similares em muitos aspectos, e que se explorados, essas
similaridades podem contribuir para que esses problemas sejam classificados de uma mesma
forma e uma solução estratégica de manufatura pode ser aplicada com sucesso na resolução
desses problemas (OZDEN et al., 1985; DURIE, 1970; SÉRIO, 1990).
Essa classificação com o foco na resolução dos problemas pode ser feita de diversas
formas, por exemplo, um grupo de produtos pode ser classificado pelas suas características de
tipo de produto, material, formato, dimensão, tipo de processo envolvido, aspectos do manuseio
do produto, etc.
Esses exemplos de classificação buscam acima de tudo, auxiliar o planejamento e
controle da produção, bem como atingir economia no uso dos recursos (OZDEN et al., 1985;
FERNANDES & FILHO, 2010).
Atualmente, empresas vêm recorrendo à simulação computacional para auxílio em
análises de um ambiente produtivo. Trata-se de uma prática pouco explorada na literatura, que
possibilita a análise de sistemas dinâmicos e complexos, utilizando para isso modelos
matemáticos, especialmente aqueles que apresentam componentes interativos, como ocorre em
sistemas de manufatura.
A simulação computacional, aplicada à sistemas de manufatura, possibilita a otimização
do mesmo pelo processo de atribuir diferentes valores à variáveis que podem ser controladas,
obtendo como resultado ótimo uma combinação de valores que provê a solução mais adequada
do sistema.
O presente trabalho foi desenvolvido em conjunto com uma empresa do segmento de
autopeças, localizada no interior do estado de São Paulo. A empresa parceira é responsável pela
montagem de conjuntos de embreagens para veículos comerciais e de passeio leves e possui
como principais clientes o mercado de reposição e montadoras.
Este trabalho aborda o fluxo de produção de um sistema de manufatura com layout
celular, configuração esta adotada pela empresa estudada.
1.1 OBJETIVOS
O presente rabalho tem como objetivo criar um modelo computacional de uma célula de
manufatura da empresa parceira que garanta um ótimo fluxo de materiais, assim como um
agendamento de tarefas(scheduling) eficiente, definidos por algoritmos. Será realizada,
posteriormente, a aplicação do projeto na empresa objeto de estudo.
- Introdução;
- Revisão Bibliográfica;
- Aplicação da Tecnologia de Grupo para validação do fluxo de produção ideal;
- Adequação do modelo de simulação;
- Análise e Discussão dos resultados;
- Considerações Finais.
2. REVISÃO BIBLIOGRÁFICA
Posição fixa:
Este tipo de layout está associado à produção de itens impossibilitados de locomoção ou
que possui tamanho e peso expressivos, como edifícios, navios, aeronaves, entre outros. Há,
nesse caso, movimentação de componentes e equipamentos para o local de fabricação do produto
resultante, uma vez que o mesmo é fixo.
A estrutura proporcionada por este tipo de layout apresenta grande flexibilidade e
variabilidade na fabricação de itens e é passível de receber mudanças significativas desde o
projeto do produto assim como no volume de produção. De fato, cada produto pode ser único.
Há demanda, neste tipo de sistema, por trabalhadores altamente capacitados já que a
identificação de tarefas é mais complexa se comparada a outros tipos de layout. Muitas vezes, a
abordagem por equipes multifuncionais é utilizada.
Layout celular:
Slack et al. (1999) descreve que o arranjo físico celular é aquele em que os recursos
transformados, entrando na operação, são pré-selecionados a partir de atividades comuns no
processo produtivo. Nele é feito o agrupamento de tarefas com o objetivo de formar famílias de
produtos. Tarefas diferentes podem ser agrupadas em famílias devido a sequências comuns de
operações, materiais que as compõem, equipamentos necessários, ou similaridade de manuseio,
estoque e controle.
Este tipo de layout proporciona alto volume de produção aliado a baixa variedade de
produtos. Equipamentos específicos normalmente são utilizados e, assim como no layout por
produto, o fluxo de materiais e informações é simples e lógico, contribuindo assim para facilitar
o controle.
Após esta etapa, segundo o algoritmo, devem-se agrupar as partes que apresentam
menores distâncias e recalculá-las, segundo a equação 2.1. Após uma série de iterações é
possível identificar o arranjo ótimo de itens de uma mesma família, considerando os atributos
apresentados anteriormente e, dessa maneira, definir a família que minimiza as distâncias em
questão.
Sujeito a:
∑Xpq = 1 e,
∑Xqq = ƒ
Em que,
dpq ≥ 0, para p ≠ q
dpq = 0, para p = q e
Xpq = 1 caso o item p pertença à família de q.
Em que:
a0,m = aP+1,m = ap,0 = ap,M+1 = 0
apm = 1, caso seja necessário processamento do item p na máquina m.
apm = 0, caso contrário.
Figura 2 – Matriz de itens e máquinas
Este algoritmo apresenta limitações computacionais, dessa forma pode representar até 47
linhas e colunas. Além disso, há dependência da matriz inicial para obtenção dos melhores
resultados, perdendo-se a arbitrariedade da escolha inicial.
Outro método, proposto por Iri (1968), denominado Cluster Identification Algorithm
(CIA) identifica se uma matriz possui blocos diagonais, que podem constituir uma solução
ótima. O processo consiste em desconsiderar, esconder as colunas de elementos 1s em uma dada
linha da matriz, em seguida, esconder os as linhas em que se encontram os elementos 1s das
colunas desconsideradas anteriormente. O algoritmo deve ser repetido até que o número de
colunas e linhas pare de aumentar, como resultado, blocos diagonais podem ser obtidos
constituindo assim, uma solução válida.
Máquina n \ Máquina m 1 0
1 a b
0 c d
Tabela 1 – Matriz de itens e máquinas
Em que a é o número de itens que passam por ambas as máquinas, b apenas a máquina m,
c apenas a máquina n e d, nenhuma das duas.
Este coeficiente apresenta máxima similaridade quando Smn = 1 e nenhuma quando Smn = 0.
Desta forma, são reunidas, em um grupo de máquinas, aquelas que apresentam maior
valor de Smm. O processo continua até que um desejado número de grupos tenha sido formado.
Cmn = ∑ δ(apm,apn)
Em que:
Os algoritmos que serão apresentados nesta sessão constituem modelos matemáticos que,
diferentemente das heurísticas discutidas até este ponto, não são afetados pela natureza dos dados
e soluções iniciais.
Serão apresentados modelos matemáticos que podem ser empregados na formação de famílias de
produtos e em agrupamento de máquinas.
Proposto por Kusiak (1987), o P-Median Model identifica famílias de produtos
maximizando o parâmetro de similaridade, Spq, ao invés de minimizar a distância, como no
modelo P-Median anterior. Para isso, o modelo seleciona uma determinada quantidade de
medianas e as atribui às famílias, de forma que a soma do parâmetro similaridade seja a maior
possível.
Spq é calculado segundo:
Em que:
δ(apm, apn) = 1, se apm = apn
δ(apm, apn) = 0, caso contrário
Max ∑ ∑ SpqXpq
Max ∑ ∑ SmnYmn
Este modelo oferece maior qualidade da solução e menor tempo computacional se comparado ao
P-Median.
Além destes, há o modelo de atribuição não-linear que considera elementos especiais não
contemplados nos algoritmos anteriores, como uma máquina que deve processar todos os itens
de várias famílias, ou então, itens que são processados em apenas determinadas máquinas de
maneira a maximizar a ocupação. Isso pode ser feito mediante atribuição de peso(W) a
determinados elementos que requerem atenção especial.
Assim, este modelo deve minimizar:
A função aptidão deve maximizar a ocupação de elementos na célula, assim, ela pode ser
representada por:
Além da heurística algoritmo genético, o conceito de redes neurais também pode ser
empregado na formação de células.
O modelo de redes neurais imita a forma com que decisões são geradas em neurônios,
que combina reconhecimentos de padrão, know-how e até intuição. O modelo consiste em
unidades de processamento conectadas entre si, essas conexões possuem ponderação, simulando
ações inibidoras e estimuladoras. Cada unidade de processamento recebe sinais dessas conexões,
aplica uma determinada função e envia o sinal a outras unidades a ela conectadas. Esta operação
é realizada de forma dinâmica e contínua.
Neste algoritmo, cada conjunto de unidades de processamento representa um tipo de
elemento (máquinas, produtos e células) que têm seus sinais (enviados e recebidos) combinados
e analisados por uma função linear ou não-linear. Acrescentam-se ponderações (Wij) aos sinais
dessas unidades de processamento, que podem ser calculadas segundo:
A = ∑ ∑ sij / n(n – 1)
Sujeito a:
∑ X(lkp) ≥ dk
Em que:
cms(kp) = custo para a máquina m realizar a operação s para todas (kp) combinações
cms(kp) = ∞, se a máquina m não puder realizar esta operação
tms(kp) = tempo para a máquina m realizar a operação s para todas as (kp) combinações
tms(kp) = ∞, caso a máquina m não possa realizar a operação em questão
3. METODOLOGIA
4. DADOS COLETADOS
Nesta sessão serão apresentadas, como objeto de estudo, características principais de duas
células de manufatura da empresa de autopeças estudada.
Os dados coletados são parte integrante deste trabalho e serão analisados com base nos
algoritmos apresentados anteriormente.
CÉLULA A:
Célula de manufatura responsável pela montagem do conjunto disco de embreagem pequeno.
OPERAÇÕES:
10 - Montar pré-amortecimento e dispor para o posto de montagem manual. (Operação realizada
fora da célula A).
40.1 - Montagem 1:
Há abastecimento dos seguintes componentes para a montagem do conjunto: anel de atrito, anel
ondulado, anel auto centrante, molas helicoidais externas, flange do cubo, placa de controle e
anel de pressão. Esses componentes são montados no subconjunto anterior por um operador
exclusivo, na mesa 1 da bancada de montagem.
Tempo de ciclo: 12,89 segundos.
40.2 - Montagem 2:
São adicionados ao subconjunto anterior os seguintes componentes: pinos distanciadores, pacote
de pré-amortecimento e disco de retenção. Assim como a suboperação 40.1, há um operador
exclusivo para a montagem.
Tempo de ciclo: 13,77 segundos.
50 - Prensar subconjunto:
Nesta operação é utilizada a prensa para realizar a prensagem do subconjunto anterior. Devido ao
balanceamento da célula e aos processos automatizados, as operações 50, 70 e 80 são realizadas
por um único operador, em um layout disposto em U.
O tempo de ciclo desta operação corresponde a 8,80 segundos.
60 – Verificação de Balanceamento:
Esta operação consiste no balanceamento do subconjunto utilizando uma balança que é dividida
com outra célula de manufatura. A operação em questão é eventual, e realizada apenas quando
requisitada pelo cliente, o que pode ocorrer caso haja inconformidades nas especificações de
determinado lote, ou mesmo para garantir a conformidade de todos os conjuntos.
CÉLULA B:
Responsável pela montagem e usinagem do platô pequeno.
OPERAÇÕES:
10 – Usinagem da placa de pressão:
Nesta operação ocorre a usinagem da placa de pressão a partir de uma peça bruta, assim como a
inspeção visual e medições de características críticas, relativas ao controle de qualidade. O
abastecimento da célula é realizado conforme a figura 5, e esta operação é realizada em duas
estações de trabalho distintas.
Há um operador que realiza as funções supracitadas em cada uma das estações de trabalho e
dispõe os subconjuntos resultantes, manualmente, para a próxima operação. Estes mesmos
operadores são também responsáveis pelas operações 15 e 20.
Caso a peça seja reprovada no Controle de Qualidade, a mesma será segregada das demais e
disposta em local apropriado.
O tempo de ciclo médio desta etapa corresponde a 17,88 segundos.
15 - Furação:
A etapa de furação é normalmente realizada como suboperação da operação 10, entretanto,
devido à manutenção no ferramental do torno, esta foi desvinculada e figura como uma operação
independente e subsequente, em relação a 10.
O fluxo de subconjuntos ocorre, manualmente, segundo a figura.
60 - Medir carga:
Nesta etapa são medidas características críticas do conjunto platô mediante aplicação de carga,
de forma a satisfazer a estreita faixa de tolerância do conjunto. Trata-se de uma operação é
automática e o operador (mesmo da operação 70) realiza a disposição das peças para a etapa
seguinte, manualmente, e o setup da máquina de medição de carga e Laser.
O tempo de ciclo corresponde a 18,69 segundos.
Fluxo de produtos
O trecho de código executa os diferentes tipos de critérios escolhidos pelo usuário, neste
modelo são empregados critérios como tipo de cliente, representados por idxCli; prazo de
entrega do produto acabado, sOP; e disponibilidade de componentes, sMat.
Este outro método a seguir é responsável por providenciar informações relativas à
produção, tais como, tempos de ciclo, setup, tempo takt, tamanho de lote, descrição dos
componentes e produtos finais, e filtrá-las de acordo com cada célula produtiva, fornecendo
assim informações indispensáveis para o funcionamento das células A e B.
tf_procPadrao.delete({0,0}..{*,*});
tf_procPadrao[ 0, 0]:= "Material";
tf_procPadrao[ 1, 0]:= "Descricao";
tf_procPadrao[ 2, 0]:= "tact time";
tf_procPadrao[ 3, 0]:= "tact efic";
tf_procPadrao[ 4, 0]:= "set up";
tf_procPadrao[ 5, 0]:= "lote min";
tf_procPadrao[ 6, 0]:= "lote mult";
j:= tf_procPadrao.yDim + 1;
tf_procPadrao["Material", j]:= tf_SAP_procPadrao[ 0, i] +
tf_SAP_procPadrao[ 1, i];
tf_procPadrao["Descricao", j]:= tf_SAP_procPadrao[ 2, i];
tf_procPadrao["tact time", j]:= str_to_num(tf_SAP_procPadrao[11, i]);
tf_procPadrao["tact efic", j]:= str_to_num(tf_SAP_procPadrao[12, i]);
tf_procPadrao["set up", j]:= str_to_num(tf_SAP_procPadrao[28, i]);
tf_procPadrao["lote min", j]:= str_to_num(tf_SAP_procPadrao[22, i]);
tOP:= root.fr_dados.tf_ordemProd;
k:= tOP.yDim + 1;
tOP["OrdemProd", k]:= sOP;
tOP["Material" , k]:= sMat;
tOP["celula" , k]:= current.name;
tOP["idxCli" , k]:= idxCli;
tOP["status" , k]:= "A";
tOP["qtdOP" , k]:= iQtd;
tOP["embOP" , k]:= iEmb;
tOP["lTime" , k]:= lTime;
tOP["diaOP" , k]:= iHoje;
tOP["diaPlan" , k]:= diaPlan;
tOP["diaProgr" , k]:= diaProgr;
tOP["diaInic" , k]:= iHoje;
tOP["timeInic" , k]:= eventController.absSimTime;
Este trecho de código irá copiar as ordens de produção, definidas pelos métodos
anteriores, para as tabelas de programação diária.
tfEstq:= root.fr_dados.tf_infoPlan;
tfBOM := root.fr_dados.tf_BOM.mtd_buscaComp(sMat);
for j:= 1 to tfBOM.yDim loop
sComp:= tfBOM["Componente", j];
jQtd := tfBOM["qtd" , j] * iQtd;
Este código é responsável pela busca dos componentes a serem produzidos, assim como
suas quantidades, utilizando as informações de planejamento.
var_emProducao:= true;
tOP:= root.fr_dados.tf_progrDoDia;
tOP["status" , sOPt]:= "I";
tOP["OrdemProd", sOPt]:= sOP;
Este modelo retrata uma das células manufatureiras, a célula A, apresentada e discutida
na seção 4, e proporciona maior nível de detalhamento dos processos intracelulares. Além disso,
são consideradas todas as operações efetivamente realizadas nesta célula, calibradas com os
dados obtidos nas etapas anteriores do projeto.
O modelo considera a produção de quatro itens distintos baseando-se em dados como
tempos processamento e setup.
Os arquivos de tabela, denominados TableFile na figura 9, representam os diferentes
tempos de setup dos quatro itens (1, 2, 3 e 4) em cada operação. Esses dados foram estimados e
extrapolados para três itens baseando-se no tempo de setup conhecido de um dos itens. As
demais informações como tempos de processamento, formações de estoque em processo entre
outras, foram cadastrados segundo observado na planta da empresa, durante a etapa de coleta de
dados.
6. ANÁLISE E DISCUSSÃO DOS RESULTADOS
root.EventController.SimTime
Ou seja, quanto menor o tempo de simulação que uma solução ou indivíduo apresentar,
maior será sua aptidão. Dessa maneira, a solução ótimo desejada corresponde àquela com o
menor tempo de simulação.
Foram consideradas, durante a otimização com AG, uma população inicial composta por
trinta indivíduos, que corresponde ao tamanho da geração, e cinquenta gerações de descendentes.
Além disso, foram feitas cinco observações por indivíduo para maior confiabilidade estatística.
Os resultados observados estão representados na figura 10.
O ganho de quase 1 minuto pode ser considerado baixo, uma vez que representa apenas
0,4% do tempo total de simulação. Isso ocorre devido à pequena variação nos tempos de setup
dos itens considerados, entretanto sua aplicação é extremamente bem vinda em ambientes de
manufatura complexos já que o volume de dados inibe qualquer tentativa de otimização
utilizando ferramentas tradicionais. Para efeito de comparação, apenas neste modelo foram
gerados quase 3000 indivíduos, cada um correpondendo a uma solução distinta.
Observações:
- Devido à algumas limitações do método utilizado pelo software, a presença de falhas
não foram consideradas durante a otimização, ou seja, os processos apresentam 100% de
eficiência. Além disso, turnos também não puderam ser acrescentados;
- A otimização do modelo, por extensão, da célula de manufatura representada, está
configurada baseando-se apenas nos fluxos de materiais e agendamento de tarefas (scheduling),
ou seja, pode não representar a configuração ótima da célula se forem considerados mais
parâmetros como estoque em processo, custos de setup, entre outros fatores.
7. REFERÊNCIAS BIBLIOGRÁFICAS
DURIE, F.R.E. A survey of group technology and its potential for user application in UK.
Production Engineering, v.49, n.2, 1970
OZDEN, M.; EGBELU, P.J.; IYER, A.V. Job scheduling in a group technology environment for
a single facility. Comput. & Indust. Engineering, v.9, n.1, pp. 66-72, 1985.
SÉRIO, L.C. Tecnologia de grupo no planejamento de um sistema produtivo. São Paulo: Ícone,
1990.
SINGH, N.; RAJAMANI, D. Cellular Manufacturing Systems. Design, planning and control.
Chapman & Hall, 1996.